8、线性时间序列建模与深度学习AI建模

g8f9d0s1a2

60人浏览 · 2025-09-17 11:06:35

g8f9d0s1a2 · 2025-09-17 11:06:35 发布

线性时间序列建模与深度学习AI建模

1. 线性时间序列建模：AR模型实例

1.1 变量含义与影响

变量 $Rn(tm)$ 表示整个设施中一组室内机按运行时间和制冷量加权后的设定温度平均值。当空调目标设定温度调低时，空调耗电量会增大。为将此影响整合为整个建筑的单一变量，使用每个室内机的额定容量作为权重，即增大其贡献，并将设定温度的影响作为室内机之间的集合平均值输入。

1.2 测试建筑概况

为构建自回归（AR）模型而收集时间序列数据的测试建筑为日本典型的小型办公楼，其具体规格如下表所示：
| 项目 | 规格 |
| ---- | ---- |
| 建筑类型 | 普通办公楼 |
| 规模 | 总建筑面积约 5000 平方米 |
| 楼层数 | 两层建筑 |
| 建筑结构 | 钢筋混凝土 |
| 空调数量 | 30 台室内机 |

1.3 数据收集与模型识别

在 2008 年 8 月 2 日 7:00 至 19:00 期间，以 5 分钟为间隔测量并收集了该建筑的相关数据，包括耗电量 $PA5(k)$、室外温度 $TO5(k)$、加权平均设定温度 $TS5(k)$ 和总制冷剂流量 $FR5(k)$。其中，5 分钟室外温度 $TO5(k)$ 来自日本气象厅，加权平均设定温度 $TS5(k)$ 是每个室内机的设定温度，总制冷剂流量 $FR5(k)$ 是每个室内机电控膨胀阀的开度值。

接下来，使用这些测量的时间序列数据集，通过之前描述的程序获得 AR 系数矩阵的值作为最大概率估计。具体操作步骤如下：
1. 从收集的测量时间序列数据中计算协方差函数，从而得到尤尔 - 沃克（Yule - Walker）联立代数方程的系数值。
2. 利用 AIC（赤池信息准则）计算 AR 阶数 $L$ 的整数值，$L$ 表示在 AR 模型方程中要建模的过去步数。
3. 在本示例中，使用传统的 AR 建模工具 TIMSAC 计算尤尔 - 沃克方程的解和 AIC 最优 AR 阶数。计算得出 AR 阶数 $L = 4$，并对 AR 系数矩阵 $A(l) {11}, A(l) {12}, \cdots, A(l)_{44}$ 进行数值求解，从而通过 AR 模型识别系统。

1.4 AR 模型识别结果评估

评估通过 AR 模型识别的系统的基本方法是，将从剩余测量时间序列数据集中选择的时间序列数据集（不包括用于系统识别的时间序列数据集）代入 AR 模型方程，并比较输出的测量值与 AR 预测值。

测量和预测的耗电量测试结果表明，预测值的变化不如测量值迅速。这是因为 AR 模型预测的值与特定时间点之前的 AR 模型系数线性耦合，产生了所谓的平均效应。因此，AR 模型有时难以预测急剧变化的大幅度阶跃式变化。

此外，在 16:20 至 16:40 期间激活 FastADR（快速自动需求响应），总制冷剂流量 $FR5(k)$ 降低，结果显示系统从 FastADR 启动开始就有效地快速响应。

以下是该过程的 mermaid 流程图：

graph LR
    A[收集时间序列数据] --> B[计算协方差函数]
    B --> C[得到 Yule - Walker 方程系数]
    C --> D[计算 AR 阶数 L]
    D --> E[使用 TIMSAC 求解方程]
    E --> F[得到 AR 系数矩阵]
    G[选择评估数据集] --> H[代入 AR 模型方程]
    H --> I[比较测量值与预测值]
    J[激活 FastADR] --> K[降低制冷剂流量]
    K --> L[观察系统响应]

2. 深度学习 AI 建模基础

2.1 神经网络基础

近年来，神经网络（NNs）在工业中得到了广泛应用，可用于图像分析、经济预测和人工智能等多种场景。在系统识别中应用神经网络，其学习方法可简要描述如下：
1. 将某个输入值 $x(t)$ 分配给神经网络，神经网络自身得出答案。
2. 将实际训练数据（与教师数据含义相同）与神经网络的答案进行比较。
3. 调整神经网络内部的计算系数，使误差收敛。

神经网络具有连接神经元（$Si$）的结构，它们之间的链接模拟了大脑的结构，通过考虑耦合权重系数 $w$ 来数学表达链接的强度。输入信号通过第一层神经元传递到下一个神经元，在第二层中，神经元以相同方式传递信号，信号经过神经元传递到第三层并从第三层获得输出，这种结构称为 3 层神经网络。

神经元在发送信号时使用激活函数来确定信号值，例如 sigmoid 函数：
[y = Sig(x) = \frac{1}{1 + e^{-\alpha x}}]
sigmoid 函数的变化是非线性的，通过改变增益 $\alpha$ 可以改变其变化的梯度。

2.2 深度学习原理：误差反向传播

误差反向传播方法是神经网络学习方法的基础，它满足普遍性定理，即通过调整神经网络的权重可以近似任何输入和输出变量之间的函数关系。

以具有两个中间层的 4 层神经网络为例，各层的单元数量分别为：输入层 $H$ 个，靠近输入层的中间层 $I$ 个，靠近输出层的中间层 $J$ 个，输出层 $K$ 个。中间层的激活函数为 $f(s)$。

在神经网络的计算中，向右的箭头（灰色）用于前向传播计算，信息从输入层通过中间层传递到输出层；向左的箭头（黑色）用于反向传播计算，误差从输出层通过中间层传递到输入层。

误差反向传播方法的目标是找到一组权重 ${w}$，使神经网络的输出值 $Y_k$ 与目标值 $T_k$ 之间的平方和误差 $L_o$ 最小化。$L_o$ 也称为损失函数，其计算公式为：
[L_o = \frac{1}{2} \sum_{k = 1}^{n} (Y_k - T_k)^2]

各层权重的偏导数计算如下：
- 输出值 $Y_k$ 对 $L_o$ 的偏导数：
[\frac{\partial L_o}{\partial Y_k} = Y_k - T_k]
- 第三和第四层权重 $w_{jk}^{(3)}$ 对 $L_o$ 的偏导数：
[\frac{\partial L_o}{\partial w_{jk}^{(3)}} = \frac{\partial L_o}{\partial S_k^{(4)}} \cdot f(S_j^{(3)}) = \frac{\partial L_o}{\partial Y_k} \cdot f’(S_k^{(4)}) \cdot f(S_j^{(3)})]
- 第二和第三层权重 $w_{ij}^{(2)}$ 对 $L_o$ 的偏导数：
[\frac{\partial L_o}{\partial w_{ij}^{(2)}} = \frac{\partial L_o}{\partial S_j^{(3)}} \cdot f(S_i^{(2)}) = (\sum_{k = 1}^{K} \frac{\partial L_o}{\partial S_k^{(4)}}) f’(S_j^{(3)}) \cdot f(S_i^{(2)})]
- 第一和第二层权重 $w_{hi}^{(1)}$ 对 $L_o$ 的偏导数：
[\frac{\partial L_o}{\partial w_{hi}^{(1)}} = \frac{\partial L_o}{\partial S_i^{(2)}} \cdot f(S_h^{(1)}) = (\sum_{j = 1}^{J} \frac{\partial L_o}{\partial S_j^{(3)}}) f’(S_i^{(2)}) \cdot f(S_h^{(1)})]

基于这些偏导数，可以得到每层权重的更新方程：
1. 最接近输出层的联合权重 $w_{jk}^{(3)}$ 的更新方程：
[w_{jk}^{(3)} = w_{jk}^{(3)} - \epsilon \frac{\partial L_o}{\partial w_{jk}^{(3)}}]
2. 下一个中间层权重 $w_{ij}^{(2)}$ 的更新方程：
[w_{ij}^{(2)} = w_{ij}^{(2)} - \epsilon \frac{\partial L_o}{\partial w_{ij}^{(2)}}]
3. 下一个权重 $w_{hi}^{(2)}$ 的更新方程：
[w_{hi}^{(2)} = w_{hi}^{(2)} - \epsilon \frac{\partial L_o}{\partial w_{hi}^{(2)}}]

其中，$\epsilon$ 是学习率。

以下是误差反向传播算法的 mermaid 流程图：

graph LR
    A[输入数据] --> B[前向传播计算]
    B --> C[得到输出值 Yk]
    C --> D[计算损失函数 Lo]
    D --> E[反向传播计算偏导数]
    E --> F[更新权重 w]
    F --> G[判断是否收敛]
    G -- 否 --> B
    G -- 是 --> H[结束训练]

综上所述，线性时间序列建模中的 AR 模型通过对时间序列数据的分析和处理，能够对系统进行一定程度的识别和预测，但在处理急剧变化的数据时存在局限性。而深度学习中的神经网络，尤其是基于误差反向传播的学习方法，为处理具有非线性和不确定性的系统提供了更强大的工具，通过不断调整权重来逼近输入和输出之间的复杂关系。

3. 深度学习 AI 建模的实际应用示例

3.1 多层感知器（MLP）在时间序列建模中的应用

多层感知器（MLP）作为一种常见的神经网络类型，在时间序列建模中有着广泛的应用。它能够处理复杂的非线性关系，对于具有不确定性的系统建模具有很好的效果。

在实际应用中，使用 MLP 进行时间序列建模的步骤如下：
1. 数据准备 ：收集相关的时间序列数据，例如上述提到的耗电量、室外温度、设定温度和制冷剂流量等数据。将数据进行预处理，包括归一化、划分训练集和测试集等操作。
2. 模型构建 ：确定 MLP 的结构，包括输入层、隐藏层和输出层的神经元数量。中间层的激活函数可以选择 sigmoid 函数、ReLU 函数等。
3. 训练模型 ：使用训练集数据对 MLP 进行训练，通过误差反向传播方法调整权重，使损失函数最小化。
4. 模型评估 ：使用测试集数据对训练好的模型进行评估，比较预测值和实际值的差异，评估模型的性能。

以下是一个简单的 MLP 结构示例表格：
| 层 | 神经元数量 | 激活函数 |
| ---- | ---- | ---- |
| 输入层 | 4（耗电量、室外温度、设定温度、制冷剂流量） | 无 |
| 隐藏层 1 | 10 | sigmoid |
| 隐藏层 2 | 8 | sigmoid |
| 输出层 | 1（预测耗电量） | 无 |

3.2 突发事件预测模型

除了对正常时间序列数据进行建模，深度学习 AI 还可以用于突发事件的预测。例如，在建筑空调系统中，可能会出现设备故障、极端天气等突发情况，这些事件会对系统的运行产生重大影响。

构建突发事件预测模型的步骤如下：
1. 定义事件特征 ：确定与突发事件相关的特征，例如温度异常变化、耗电量突然增加等。
2. 数据标注 ：对历史数据中的突发事件进行标注，以便模型学习事件发生的模式。
3. 模型训练 ：使用标注好的数据对神经网络进行训练，使其能够识别突发事件的特征。
4. 实时监测 ：在实际运行中，实时监测系统的状态，当模型检测到与突发事件特征匹配的情况时，发出预警。

以下是突发事件预测模型的 mermaid 流程图：

graph LR
    A[收集历史数据] --> B[定义事件特征]
    B --> C[数据标注]
    C --> D[模型训练]
    D --> E[实时监测]
    E --> F{是否检测到事件特征}
    F -- 是 --> G[发出预警]
    F -- 否 --> E

4. 总结与展望

4.1 方法总结

线性时间序列建模（AR 模型） ：通过对时间序列数据的分析，能够对系统进行一定程度的识别和预测。但由于其线性特性，在处理急剧变化的大幅度阶跃式变化时存在局限性。
深度学习 AI 建模（神经网络） ：尤其是基于误差反向传播的多层感知器，能够处理复杂的非线性关系和不确定性，通过不断调整权重来逼近输入和输出之间的复杂关系，在系统建模和突发事件预测方面具有强大的能力。